دینامیک مولکولی یک روش بسیار مفید در شبیه‌سازی کامپیوتری است که می‌تواند پیش‌بینی‌های علمی ارزشمندی را در طیف وسیعی از زمینه‌ها از فیزیک شیمی گرفته تا علم مواد و بیوفیزیک به دست آورد. یکی از کاربردهای بسیار مورد توجه برای محاسبه دینامیک مولکولی، NAMD (دینامیک مولکولی در مقیاس نانو) است. این یکی از هشت بار کاری بود که توسط مرکز آمادگی برنامه‌های کاربردی تسریع شده برای آماده شدن برای اجرا انتخاب شد. ابررایانه مرزی آزمایشگاه ملی اوک ریج (ORNL).، اولین ابر کامپیوتر exascale در ایالات متحده آمریکا که در حال حاضر سریعترین ابررایانه در جهان است.*
ما اکنون نسخه‌ای از NAMD داریم که تقریباً به طور کامل دینامیک را روی پردازنده گرافیکی انجام می‌دهد، به طوری که بسیار سریع است، سپس اگر روی یک گره چند GPU هستیم، می‌توانیم نمونه‌برداری بسیار بیشتری انجام دهیم.» دکتر دیوید جی. هاردی، برنامه‌نویس ارشد تحقیقاتی در مرکز NIH برای مدل‌سازی ماکرومولکولی و بیوانفورماتیک، موسسه بکمن برای علوم و فناوری پیشرفته در دانشگاه ایلینوی در Urbana-Champaign، و توسعه‌دهنده اصلی NAMD می‌گوید.
دینامیک مولکولی همه چیز در مورد مدل سازی برهمکنش بین اتم ها در طول زمان است. بدون مقیاس‌گذاری چند GPU، نقطه شیرین برای استفاده کامل از یک GPU بین 100000 تا 200000 اتم است. اما با مقیاس گذاری چند GPU، این به طور قابل توجهی افزایش می یابد. هاردی می‌گوید: «وقتی در چند پردازنده گرافیکی مقیاس‌پذیری می‌کنید، مورد آزمایش ما یک سیستم یک میلیون اتمی بوده است. برای مثال، با رویکرد اصلی NAMD، که در Frontier پیاده‌سازی شده است، از یک GPU offload استفاده می‌شود که در آن شتاب‌دهنده فقط نیروها را محاسبه می‌کند و حالت‌های GPU را بین مراحل زمانی حفظ نمی‌کند. با این وجود، CPU می تواند به یک گلوگاه تبدیل شود، به ویژه هنگامی که عملکرد GPU به سمت بالا حرکت می کند.
برای مقابله با این، NAMD 3.0 ایجاد شد. هاردی می‌گوید: «ما بازنویسی‌های زیادی انجام دادیم تا کد GPU را ثابت کنیم. “این نسخه مقیم GPU از کد، داده ها را بین مراحل زمانی روی GPU حفظ می کند، بنابراین شما دیگر جریمه انتقال حافظه دستگاه میزبان را که ما با مدل تخلیه GPU انجام می دادیم، پرداخت نمی کنید. این یک بازده بزرگ برای ما است، دو برابر شدن عملکرد در هنگام اجرا بر روی یک GPU. NAMD 3.0 همچنین می‌تواند در چندین پردازنده گرافیکی مقیاس‌پذیر باشد، اگرچه کد قابلیت اجرا در حالت تخلیه را با حالت انتخاب شده از طریق یک تنظیمات پیکربندی ساده حفظ می‌کند.
افزایش عملکرد از کد مقیم GPU به این معنی است که هزینه محاسبه هر مرحله زمانی کمتر است. هاردی می‌گوید: «ما می‌توانیم گام‌های زمانی بیشتری در روز اجرا کنیم. این بدان معناست که NAMD 3.0 می‌تواند نانوثانیه‌های بیشتری از شبیه‌سازی را در روز ارائه دهد، که به این معنی است که تحقیقات می‌تواند با سرعت بیشتری انجام شود و نتایج سریعتر به دست آید. نرخ‌های نمونه‌گیری برای کاربران نهایی NAMD کلیدی است زیرا با پدیده‌های بیولوژیکی که معمولاً مطالعه می‌کنند مرتبط است. دوبرابر کردن نرخ نمونه‌برداری با کد مقیم GPU به کاربران نهایی اجازه می‌دهد تا پدیده‌ها را در یک بازه زمانی معقول‌تر شبیه‌سازی کنند. برای مثال، برای تحقیقات واکسن، این به معنای ایجاد داروی جدید برای آزمایش زنده سریعتر و یافتن درمانی در زمان کمتر است.
هاردی می‌گوید: «اکنون که GPU این دستگاه کالایی واقعاً فوق‌العاده است، این چیزی است که می‌خواهیم بتوانیم از NAMD پشتیبانی کنیم. ما بسیار هیجان‌زده هستیم که می‌توانیم NAMD را به سرعت روی پردازنده‌های گرافیکی AMD اجرا کنیم. ما از فناوری HIP و HIPify بسیار سپاسگزاریم و اینکه چقدر آسان بوده است که بتوانیم روی AMD اجرا کنیم. ما مجبور نبودیم یک مسیر کد کاملاً جدید را معرفی کنیم، که مانع بزرگی برای رسیدن به عملکرد خوب خواهد بود.”
با نگاه به آینده، نقشه راه NAMD این است که کد مقیم GPU را در گره های میزبان GPU و همچنین چندین GPU در یک گره واحد مقیاس بندی کند. در حال حاضر، این نیاز به یک اتصال ویژه دارد تا امکان انتقال مستقیم حافظه بین پردازنده‌های گرافیکی در گره‌های مختلف را فراهم کند. هاردی می‌گوید: «ما باید از فناوری‌های ارتباطی متفاوتی استفاده کنیم تا بتوانیم این کار را انجام دهیم.
نسخه مقیم GPU NAMD همچنین دارای قابلیت های گسترده ای خواهد بود تا آن را با ویژگی های نسخه offload مطابقت دهد. دینامیک مولکولی یک روش بسیار منعطف است و به همین دلیل، بسیاری از ویژگی‌های پیشرفته مختلف در NAMD برای بهره‌برداری از مکانیسم‌های مختلف در دینامیک مولکولی برای انجام کارها از دیدگاه روش‌شناختی برای تسریع محاسبات شما معرفی شده‌اند. به گفته هاردی، وقتی در حال انجام دینامیک مولکولی هستید، بخشی از آنچه که سعی در دیدن آن دارید تغییراتی است که در حال عبور از موانع انرژی مختلف هستید.
هاردی ادامه می‌دهد: «بسیاری از این روش‌های نمونه‌گیری پیشرفته به شما امکان می‌دهند بهتر از این موانع انرژی عبور کنید. این می تواند با کشیدن بخشی از سازه یا با وارد کردن نیروهای هدایت شده به سازه یا با اصلاح خود فعل و انفعالات برای صاف کردن سطح انرژی کمی بهتر باشد تا بتوانید نمونه برداری سریع تری از این سطح انرژی انجام دهید و از تاییدیه های مختلف بازدید کنید. حالت های مورد علاقه برای هر چیزی که شبیه سازی می کنید. ما فقط تعداد انگشت شماری از این موارد را در حال حاضر در نسخه تکی با GPU پشتیبانی می کنیم. ما هنوز هیچ کدام از آنها را نداریم که کاملاً روی نسخه چند GPU کار کنند. اکنون یک چیز بزرگ برای ما این است که بتوانیم از این ویژگی‌های پیشرفته مختلف در کد مقیم GPU نیز پشتیبانی کنیم.
NAMD 3.0 در حال حاضر سطوح بی نظیری از سرعت شبیه سازی را از طریق به روز رسانی مقیم GPU ارائه می دهد. هنگامی که نسخه مقیم GPU NAMD با قابلیت های نسخه offload مطابقت داده شود، انعطاف پذیری بیشتری برای تحقیقات دینامیک مولکولی ایجاد می کند. ابزارهای با کارایی بالا را در اختیار طیف وسیع تری از محققان قرار می دهد تا اکتشافات علمی جدید را با سرعت بیشتری انجام دهند.
درباره NAMD بیشتر بدانید و NAMD 3.0 بر AMD Infinity Hub.
Bryce Mackin Sr. Mr. Marketing Product است. برای AMD پست های او نظرات خودش است و ممکن است موضع، استراتژی یا نظرات AMD را نشان ندهد. پیوندها به سایت‌های شخص ثالث برای سهولت ارائه می‌شوند و AMD هیچ مسئولیتی در قبال محتویات این سایت‌های لینک‌شده ندارد و هیچ‌گونه تاییدیه‌ای ندارد.
تمام ادعاهای مربوط به عملکرد و صرفه جویی در هزینه توسط دکتر دیوید جی هاردی ارائه شده است و به طور مستقل توسط AMD تأیید نشده است. عملکرد و مزایای هزینه تحت تأثیر متغیرهای مختلفی قرار می گیرد. نتایج در اینجا مختص مرکز NIH برای مدل‌سازی ماکرو مولکولی و بیوانفورماتیک است و ممکن است معمولی نباشد. GD-181
* لیست Top500 ژوئن 2022 را ببینید.